肺癌作为一种恶性肿瘤,它逐渐侵蚀着人类的身体健康,为人类的生存带来巨大威胁。在我国,其每年导致的发病人数和死亡人数都位列第一,而肺癌中的非小细胞肺癌（Non-small Cell Lung Cancer,NSCLC）的发病率则达到了肺癌总发病数的八成以上。基于非小细胞肺癌驱动基因的靶向药物,由于其疗效可靠、副作用轻微,已成为最受关注的治疗方法之一。在驱动基因中,表皮生长因子受体（Epidermal Growth Factor Receptor,EGFR）是目前突变率最高的靶基因,也是为了治疗非小细胞肺癌而使用的最为频繁的靶基因之一。只有对EGFR基因突变敏感的人才能受益于其靶向药物。因此EGFR基因检测的突变状态已成为临床应用靶向药物的先决条件,突变检测的结果尤其重要。本文拟通过使用深度学习方法,由患者的计算机断层扫描（Computed Tomography,CT）与正电子放射断层扫描（Positron Emission computed Tomography,PET）影像无创且自动地预测出患者EGFR基因的突变状态。本文所做的研究工作主要围绕以下两部分展开:由于现阶段关于非小细胞肺癌EGFR基因突变状态的深度学习预测方法相关研究数量并不充足,且其都是使用患者CT单模态图像数据作为网络的输入。因此本文提出了一种改进Res Net的双模态非小细胞肺癌EGFR基因突变预测方法。该方法通过改进有监督Res Net-50网络,在非小细胞肺癌EGFR基因突变数据集上,同时使用患者的CT与PET双模态图像数据作为神经网络的输入,并融合患者临床信息特征帮助网络进行EGFR基因突变状况预测。实验结果表明,该方法可以准确地得到EGFR基因突变状况预测结果,展示了其在帮助临床决策方面的可行性。目前关于非小细胞肺癌EGFR基因突变状态的深度学习预测方法相关研究大多基于有监督学习方法,这种方法依赖于大量的专家手工标注数据集。然而在实际情况下,专家手工标注数据将花费非常多的人力与物力,导致医学临床领域得不到充足数量的有标注数据集支持有监督学习。针对这一问题,本文提出了一种改进BYOL的双模态非小细胞肺癌EGFR基因突变状态预测方法。该方法对自监督BYOL网络进行改进,增加了网络投影层非线性多层感知器的层数,并将患者CT和PET双模态图像数据融合作为网络的输入,在不需要大量已标注患者医学影像数据集的情况下,对阴性、阳性病例进行预测。实验结果表明,本文提出的改进BYOL网络仅需要使用少量已标注的患者数据便可得到比部分传统有监督方法更准确的检测结果,展示了其帮助临床决策的潜力。